Assessing Sensitivity to IV Exclusion and Exogeneity without First Stage Monotonicity

Este artículo desarrolla nuevas técnicas de análisis de sensibilidad para evaluar las suposiciones de exclusión y exogeneidad en variables instrumentales sin requerir monotonicidad en la primera etapa, derivando conjuntos identificados para efectos causales mediante programas lineales y demostrando su aplicabilidad en un estudio sobre efectos de pares en la visualización de películas.

Lo esencial

Imagina que eres un detective intentando resolver un misterio: ¿Por qué la gente va al cine?

En el mundo de la economía y la estadística, los investigadores usan una herramienta llamada Variable Instrumental (VI). Piensa en esta herramienta como un "detective externo" que ayuda a separar la causa real de la coincidencia.

En el ejemplo del artículo, los investigadores querían saber si ver una película con amigos (efecto de grupo) hace que más gente vaya a verla el fin de semana siguiente. Para probarlo, usaron el clima como su "detective externo". La lógica era: "Si hace buen tiempo, la gente sale de casa y no va al cine. Si hace mal tiempo, se quedan dentro y van al cine. Por lo tanto, el clima es una causa externa que empuja a la gente al cine, y podemos usarlo para medir el efecto de los amigos".

El Problema: ¿Es el detective perfecto?

El problema es que los detectives a veces cometen errores. Para que el método funcione, el clima tendría que cumplir dos reglas estrictas:

1. Exclusión: El clima solo afecta al cine a través de la decisión de ir o no ir. No puede afectar al cine de otra forma (por ejemplo, que el clima haga que la película sea mejor o peor).
2. Exogeneidad: El clima debe ser totalmente aleatorio, como lanzar una moneda. No puede estar relacionado con la calidad oculta de la película (por ejemplo, que las películas de acción siempre se estreen en días soleados).

En la vida real, estas reglas a menudo se rompen. Quizás el clima sí afecta la calidad percibida de la película, o quizás las productoras eligen fechas basadas en el clima. Si el detective no es perfecto, nuestras conclusiones sobre los "efectos de grupo" podrían ser falsas.

La Solución: El "Test de Resistencia"

Hasta ahora, si sospechabas que el detective (el clima) no era perfecto, tenías dos opciones:

• Aceptar que el detective es perfecto (y arriesgarte a estar equivocado).
• Desechar todo el estudio y decir "no podemos saber nada".

Este artículo propone una tercera opción: El "Test de Resistencia" (Análisis de Sensibilidad).

Los autores crearon un nuevo método que funciona como un simulador de estrés. En lugar de preguntar "¿Es el detective perfecto?", preguntan: "¿Cuánto tiene que fallar el detective para que nuestra conclusión deje de ser válida?".

La Analogía del Puente

Imagina que tu conclusión (que los amigos influyen en ir al cine) es un puente.

• El método antiguo: Decía "El puente es seguro" o "El puente se cae".
• El nuevo método: Te dice: "El puente es seguro si el viento sopla hasta 50 km/h. Si el viento sopla a 51 km/h, el puente se cae".

Así, el investigador puede decir: "Mi conclusión es muy fuerte si el error es pequeño, pero si el error es un poco más grande, ya no puedo estar seguro".

¿Cómo funciona técnicamente (de forma sencilla)?

1. Sin reglas de "monotonía": Los métodos antiguos exigían que el detective siempre actuara en la misma dirección (ej. "el buen tiempo siempre reduce las visitas"). Este nuevo método es más flexible: no importa si el detective actúa de forma extraña o contradictoria; el método sigue funcionando.
2. El "Parámetro de Sensibilidad" (θ): Es como un dial de volumen.
   • Si giras el dial a 0, asumes que el detective es perfecto.
   • Si giras el dial a 1, asumes que el detective es totalmente inútil y no confías en nada.
   • El método calcula qué pasa con tu conclusión mientras giras el dial lentamente.
3. Resultados: Te dan un rango de respuestas posibles. Si al girar el dial un poquito (un error pequeño) tu respuesta cambia de "Sí, hay efecto" a "No hay efecto", entonces tu conclusión es frágil. Si tienes que girar el dial casi hasta el final para que cambie, tu conclusión es robusta.

El Ejemplo Real: Cine y Amigos

Los autores aplicaron esto al estudio de películas:

• Bajo el supuesto perfecto: ¡Sí! Hay un efecto de grupo. Si tus amigos van, tú también vas.
• Bajo el test de resistencia: Apenas permitieron un error muy pequeño en la suposición de que el clima es aleatorio (un 1.5% de desviación), y la conclusión se derrumbó. El rango de posibilidades incluyó "cero efecto".

La lección: Aunque el estudio original parecía sólido, era muy sensible a pequeñas imperfecciones. El nuevo método les permitió decir: "Nuestra conclusión es válida solo si el clima es casi perfecto. Si hay una pequeña duda, no podemos estar seguros".

En Resumen

Este paper es como una caja de herramientas para la honestidad científica. En lugar de fingir que los datos son perfectos, nos da una forma matemática y computacional de decir: "Aquí está mi resultado, y aquí está exactamente cuánto tiene que fallar mi suposición para que deje de ser verdad".

Esto ayuda a los científicos a ser más transparentes y a que los lectores (o políticos) sepan cuándo pueden confiar en un estudio y cuándo deben tener precaución.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo "Assessing Sensitivity to IV Exclusion and Exogeneity without First Stage Monotonicity" (Evaluación de la sensibilidad a la exclusión y exogeneidad de IV sin monotonicidad en la primera etapa), escrito por Paul Diegert, Matthew A. Masten y Alexandre Poirier.

---

1. Planteamiento del Problema

Los análisis de Variables Instrumentales (IV) dependen tradicionalmente de tres supuestos fundamentales:

1. Exclusión: El instrumento no tiene un efecto directo sobre el resultado (solo a través del tratamiento).
2. Exogeneidad: El instrumento es asignado aleatoriamente (o es condicionalmente independiente de los resultados potenciales).
3. Monotonicidad en la primera etapa: El efecto del instrumento sobre el tratamiento es siempre del mismo signo (no hay "defiantes").

El problema central abordado en este trabajo es que, en muchos contextos empíricos, estos supuestos son difíciles de justificar. Específicamente:

• Los instrumentos pueden tener efectos directos o no ser aleatorios.
• La monotonicidad puede fallar (ej. en diseños de "jueces" o "lenity designs") o ser imposible de definir en escenarios con múltiples valores de tratamiento e instrumento.
• La literatura previa sobre análisis de sensibilidad a menudo asume efectos de tratamiento homogéneos o modelos lineales, lo cual es restrictivo.

El objetivo del paper es desarrollar un marco de análisis de sensibilidad que permita evaluar la robustez de las estimaciones de efectos causales (como el Efecto Promedio del Tratamiento - ATE) ante violaciones parciales de la exclusión y la exogeneidad, sin imponer ninguna restricción de monotonicidad y permitiendo heterogeneidad arbitraria en los efectos del tratamiento.

2. Metodología

Los autores proponen un enfoque de identificación parcial basado en la relajación continua de los supuestos de independencia.

A. Modelo y Supuestos

• Se considera un modelo donde los resultados potenciales $Y(x, z)$ dependen del tratamiento $x$ y del instrumento $z$.
• Se eliminan las restricciones de monotonicidad y se permite que el tratamiento y el instrumento sean binarios, discretos o continuos (en el caso de resultados).
• Se introduce una clase unificada de relajaciones de los supuestos de exclusión y exogeneidad. Esta clase engloba modelos existentes como:
  • Marginal Sensitivity Model (MSM) de Tan (2006).
  • c-dependence de Masten y Poirier (2018).
  • Distancia de Kolmogorov-Smirnov (KS) de Manski (1983) y Kline y Santos (2013).

B. El Parámetro de Sensibilidad ($\theta$)

Se define un parámetro escalar $\theta \in [0, 1]$ que indexa el grado de violación de los supuestos:

• $\theta = 0$: Representa la validez completa (exclusión y exogeneidad estrictas).
• $\theta = 1$: Representa la ausencia total de supuestos (solo restricciones de probabilidad no negativas).
• Valores intermedios ($0 < \theta < 1$): Representan grados parciales de dependencia entre el instrumento y los resultados potenciales.

C. Identificación y Programación Lineal

• Caso Discreto: Los autores demuestran que el conjunto identificado para las distribuciones de probabilidad de los resultados potenciales es la intersección de dos conjuntos convexos: uno derivado de la distribución observada de los datos y otro derivado de la restricción de sensibilidad $\theta$.
  • Este conjunto identificado se caracteriza como un poliedro convexo.
  • La estimación de funcionales lineales (como ATE, ATT, efectos cuantílicos) se reduce a la solución de un Programa Lineal (LP) finito y computacionalmente tratable.
• Caso Continuo: Cuando el resultado es continuo, el problema se vuelve un programa lineal de dimensión infinita (sobre funciones de densidad).
  • Se demuestra que el conjunto identificado es una correspondencia continua y convexa en el espacio de funciones.
  • Para la implementación práctica, se propone un método de aproximación por tamices (sieve-based) utilizando polinomios de Bernstein. Esto convierte el problema infinito en un programa lineal finito que converge a la solución teórica a medida que aumenta la precisión de la aproximación.

D. Fronteras de Falsificación

El método permite calcular el "punto de falsificación" ($\bar{\theta}$): el valor mínimo de $\theta$ necesario para que el conjunto identificado sea no vacío. Si el modelo base ($\theta=0$) es falsificado por los datos, el método identifica la desviación mínima necesaria de los supuestos para que el modelo sea consistente con los datos observados.

3. Contribuciones Clave

1. Eliminación de la Monotonicidad: Es uno de los primeros marcos que realiza análisis de sensibilidad para IV sin asumir monotonicidad en la primera etapa, permitiendo la existencia de "defiantes" y heterogeneidad compleja.
2. Unificación de Modelos de Sensibilidad: Proporciona una estructura teórica unificada que engloba y generaliza modelos previos (MSM, c-dependence, KS) bajo un solo parámetro de sensibilidad interpretable.
3. Tractabilidad Computacional: Demuestra que, incluso con relajaciones no paramétricas y heterogeneidad arbitraria, los límites de identificación pueden calcularse eficientemente mediante programación lineal (finita para discretos, aproximada para continuos).
4. Propiedades Teóricas: Establece que los conjuntos identificados son continuos y monótonos con respecto al parámetro de sensibilidad, lo que garantiza que los gráficos de sensibilidad (que muestran cómo cambian los límites al variar $\theta$) sean estables y bien comportados.
5. Aplicación a Resultados Continuos: Extiende el análisis de sensibilidad a variables de resultado continuas, un desafío técnico mayor que se resuelve mediante aproximaciones de tamices.

4. Resultados Principales

• Conjuntos Identificados: Se derivan conjuntos identificados agudos (sharp) para las distribuciones marginales de los resultados potenciales y sus funcionales (ATE, ATT, QTE).
• Comportamiento de los Límites: Se observa que los límites de los efectos causales se expanden monótonamente a medida que aumenta $\theta$ (se relajan los supuestos).
• Falsificación: El método permite diagnosticar si los datos son consistentes con el modelo de IV estándar. Si el conjunto identificado para $\theta=0$ es vacío, el modelo está falsificado; el método cuantifica cuánto deben relajarse los supuestos para recuperar la consistencia.
• Aplicación Empírica (Efectos de Pares en Cine):
  • Revisan el estudio de Gilchrist y Sands (2016) sobre el efecto de pares en la asistencia a cine, usando el clima como instrumento.
  • Hallazgo: Bajo los supuestos estándar ($\theta=0$), se encuentra un efecto positivo significativo (ATE > 0).
  • Sensibilidad: Sin embargo, el resultado es extremadamente sensible. Con una relajación muy pequeña de la exogeneidad (un valor de $c \approx 0.015$ en el modelo de c-dependencia), el intervalo de confianza para el ATE incluye cero. Esto sugiere que la conclusión de un efecto de pares robusto depende críticamente de la validez estricta del instrumento, la cual es cuestionable debido a posibles efectos de aprendizaje social y comportamiento dinámico.

5. Significado e Impacto

Este trabajo es significativo porque proporciona a los investigadores empíricos una herramienta rigurosa y flexible para evaluar la robustez de sus conclusiones de IV sin depender de supuestos de monotonicidad que a menudo son inviables.

• Transparencia: Permite presentar gráficos de sensibilidad que muestran explícitamente cuán fuertes deben ser las violaciones de exclusión o exogeneidad para cambiar la conclusión sustantiva (ej. de un efecto positivo a cero).
• Generalidad: Al no asumir homogeneidad ni monotonicidad, el método es aplicable a una gama mucho más amplia de diseños empíricos, incluidos aquellos con múltiples instrumentos, tratamientos multivariados y resultados continuos.
• Advertencia Empírica: La aplicación al estudio de cine ilustra que conclusiones que parecen robustas bajo supuestos estándar pueden ser frágiles ante violaciones mínimas de exogeneidad, subrayando la necesidad de realizar este tipo de análisis de sensibilidad como parte estándar de la investigación con IV.

En resumen, el paper transforma el análisis de sensibilidad de IV de un ejercicio cualitativo o basado en modelos lineales restrictivos a un procedimiento cuantitativo, no paramétrico y computacionalmente eficiente.